Emendas Parlamentares

Arquivos com dados em https://portaldatransparencia.gov.br/emendas

import pandas as pd
import numpy as np
import plotly.express as px
import matplotlib
from babel.numbers import format_currency

# retirar a notação científica do pandas
# pd.set_option('display.float_format', '{:.2f}'.format)

df = pd.read_csv('../emendas.csv', sep=';')
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2849 entries, 0 to 2848
Data columns (total 18 columns):
 #   Column                                Non-Null Count  Dtype  
---  ------                                --------------  -----  
 0   Ano                                   2849 non-null   int64  
 1   Tipo de Emenda                        2849 non-null   object 
 2   Autor da emenda                       2849 non-null   object 
 3   Número da emenda                      2849 non-null   int64  
 4   Localidade do gasto (Regionalização)  2849 non-null   object 
 5   Função                                2849 non-null   object 
 6   Subfunção                             2849 non-null   object 
 7   Programa Orçamentário                 2849 non-null   object 
 8   Ação Orçamentária                     2849 non-null   object 
 9   Plano Orçamentário                    2849 non-null   object 
 10  Código da emenda                      2849 non-null   int64  
 11  Valor empenhado                       2849 non-null   object 
 12  Valor liquidado                       2849 non-null   object 
 13  Valor pago                            2849 non-null   object 
 14  Valor Restos a Pagar Inscritos        2849 non-null   object 
 15  Valor Restos a Pagar Cancelados       2849 non-null   object 
 16  Valor Restos a Pagar Pagos            2849 non-null   object 
 17  Unnamed: 17                           0 non-null      float64
dtypes: float64(1), int64(3), object(14)
memory usage: 400.8+ KB

Estrutura

Renomeando colunas

# Renomeando as colunas pra trabalhar mais facilmente
df.columns = ['ano','emenda_tipo','emenda_autor','emenda_nr','local_gasto','funcao','subfuncao','orc_programa'
              ,'orc_acao','orc_plano','emenda_cod','vlr_empenhado','vlr_liquido','vlr_pago','vlr_restos_pagar_inscrito'
              ,'vlr_restos_pagar_cancelados','vlr_restos_pagar_pagos','outro']
df.head()

	ano	emenda_tipo	emenda_autor	emenda_nr	local_gasto	funcao	subfuncao	orc_programa	orc_acao	orc_plano	emenda_cod	vlr_empenhado	vlr_liquido	vlr_pago	vlr_restos_pagar_inscrito	vlr_restos_pagar_cancelados	vlr_restos_pagar_pagos	outro
0	2022	Emenda Individual - Transferências Especiais	MARCIO ALVINO	6	SÃO PAULO (UF)	Encargos especiais	Outras transferências	0903 - OPERACOES ESPECIAIS: TRANSFERENCIAS CON...	0EC2 - TRANSFERENCIAS ESPECIAIS	TRANSFERENCIAS ESPECIAIS	202237170006	100.000,00	0,00	0,00	100.000,00	0,00	100.000,00	NaN
1	2024	Emenda Individual - Transferências Especiais	JUNIO AMARAL	16	MINAS GERAIS (UF)	Encargos especiais	Outras transferências	0903 - OPERACOES ESPECIAIS: TRANSFERENCIAS CON...	0EC2 - TRANSFERENCIAS ESPECIAIS	TRANSFERENCIAS ESPECIAIS	202439240016	100.000,00	0,00	0,00	0,00	0,00	0,00	NaN
2	2024	Emenda Individual - Transferências Especiais	JOAQUIM PASSARINHO	14	PARÁ (UF)	Encargos especiais	Outras transferências	0903 - OPERACOES ESPECIAIS: TRANSFERENCIAS CON...	0EC2 - TRANSFERENCIAS ESPECIAIS	TRANSFERENCIAS ESPECIAIS	202436920014	100.000,00	100.000,00	100.000,00	0,00	0,00	0,00	NaN
3	2022	Emenda Individual - Transferências Especiais	VINICIUS FARAH	23	PATY DO ALFERES - RJ	Encargos especiais	Outras transferências	0903 - OPERACOES ESPECIAIS: TRANSFERENCIAS CON...	0EC2 - TRANSFERENCIAS ESPECIAIS	TRANSFERENCIAS ESPECIAIS	202240750023	100.000,00	0,00	0,00	100.000,00	0,00	100.000,00	NaN
4	2023	Emenda Individual - Transferências Especiais	SERGIO PETECAO	8	Nacional	Encargos especiais	Outras transferências	0903 - OPERACOES ESPECIAIS: TRANSFERENCIAS CON...	0EC2 - TRANSFERENCIAS ESPECIAIS	TRANSFERENCIAS ESPECIAIS	202329140008	100.000,00	100.000,00	100.000,00	0,00	0,00	0,00	NaN

Selecionando colunas

Selecionamos apenas as colunas de nosso interesse.

df = df[['emenda_autor', 'local_gasto','vlr_empenhado','vlr_liquido','vlr_pago','vlr_restos_pagar_inscrito','vlr_restos_pagar_cancelados','vlr_restos_pagar_pagos']]
# print(type(df['vlr_empenhado'][0]))
df.head()

	emenda_autor	local_gasto	vlr_empenhado	vlr_liquido	vlr_pago	vlr_restos_pagar_inscrito	vlr_restos_pagar_cancelados	vlr_restos_pagar_pagos
0	MARCIO ALVINO	SÃO PAULO (UF)	100.000,00	0,00	0,00	100.000,00	0,00	100.000,00
1	JUNIO AMARAL	MINAS GERAIS (UF)	100.000,00	0,00	0,00	0,00	0,00	0,00
2	JOAQUIM PASSARINHO	PARÁ (UF)	100.000,00	100.000,00	100.000,00	0,00	0,00	0,00
3	VINICIUS FARAH	PATY DO ALFERES - RJ	100.000,00	0,00	0,00	100.000,00	0,00	100.000,00
4	SERGIO PETECAO	Nacional	100.000,00	100.000,00	100.000,00	0,00	0,00	0,00

Convertendo valores

As colunas de valores hoje estão como tipo de dado str. Precisam ser convertidas para float. Para isso vou subtituir o separador . por nada, e depois o separador

Podemos fazer coluna por coluna. Por exemplo:

df['vlr_empenhado'] = df['vlr_empenhado'].apply(lambda x: float(x.replace(".","").replace(",",".")))

Ou, como as colunas com valores começam com vlr_, podemos aplicar uma função nas colunas que iniciam com este prefixo.

# def ajustar_valores(df):
#     df['vlr_empenhado'] = df['vlr_empenhado'].apply(lambda x: float(x.replace(".","").replace(",",".")))

#     df['vlr_liquido'] = df['vlr_liquido'].apply(lambda x: float(x.replace(".","").replace(",",".")))

#     df['vlr_pago'] = df['vlr_pago'].apply(lambda x: float(x.replace(".","").replace(",",".")))

#     df['vlr_restos_pagar_inscrito'] = df['vlr_restos_pagar_inscrito'].apply(lambda x: float(x.replace(".","").replace(",",".")))

#     df['vlr_restos_pagar_cancelados'] = df['vlr_restos_pagar_cancelados'].apply(lambda x: float(x.replace(".","").replace(",",".")))

#     df['vlr_restos_pagar_pagos'] = df['vlr_restos_pagar_pagos'].apply(lambda x: float(x.replace(".","").replace(",",".")))
#     return df

# df = ajustar_valores(df)
# df.info()

def convert_to_float(x):
    return float(x.replace(".","").replace(",","."))

prefix = 'vlr_'
# df2 = df.loc[:, df.columns.str.startswith(prefix)] = df.loc[:, df.columns.str.startswith(prefix)].apply(convert_to_float)
colunas = [col for col in df if col.startswith(prefix)]
for coluna in colunas:
    df[coluna] = df[coluna].map(lambda x: convert_to_float(x))

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2849 entries, 0 to 2848
Data columns (total 8 columns):
 #   Column                       Non-Null Count  Dtype  
---  ------                       --------------  -----  
 0   emenda_autor                 2849 non-null   object 
 1   local_gasto                  2849 non-null   object 
 2   vlr_empenhado                2849 non-null   float64
 3   vlr_liquido                  2849 non-null   float64
 4   vlr_pago                     2849 non-null   float64
 5   vlr_restos_pagar_inscrito    2849 non-null   float64
 6   vlr_restos_pagar_cancelados  2849 non-null   float64
 7   vlr_restos_pagar_pagos       2849 non-null   float64
dtypes: float64(6), object(2)
memory usage: 178.2+ KB

Ajustando valor pago

A emenda pode ter sido paga, então vlr_pago > 0; pode ter ido para restos a pagar, então vlr_restos_pagar_pagos > 0, ou ainda não ter sido paga. Estamos interessados nas que foram pagas (vlr_pago > 0 ou vlr_restos_pagar_pagos > 0).

# Criar nova coluna, caso a nova coluna for maior que zero
# significa que aquela emanda foi paga
df['vlr'] = df['vlr_pago']+df['vlr_restos_pagar_pagos']
df = df[df['vlr']>0]

# selecionar apenas colunas de interesse
df = df[['emenda_autor','local_gasto','vlr']]
df.head()

	emenda_autor	local_gasto	vlr
0	MARCIO ALVINO	SÃO PAULO (UF)	100000.0
2	JOAQUIM PASSARINHO	PARÁ (UF)	100000.0
3	VINICIUS FARAH	PATY DO ALFERES - RJ	100000.0
4	SERGIO PETECAO	Nacional	100000.0
6	EDILAZIO JUNIOR	CODÓ - MA	100000.0

Emendas

Emendas Estaduais

Filtrar apenas as emendas enviadas para estados.

Quero a informação de qual o volume financeiro recebido e quantos políticos envolvidos.

# Emendas enviadas por estados terminam com (UF)
emendas_estaduais = df.loc[df['local_gasto'].str.contains('(UF)',regex=False), ['local_gasto', 'vlr','emenda_autor']]

# quanto foi enviado
emendas_estaduais = (emendas_estaduais.groupby('local_gasto').agg({'local_gasto':'count', 'vlr': 'sum', 'emenda_autor':pd.Series.nunique})
                    .rename(columns={'local_gasto':'Emendas', 'emenda_autor':'Políticos'})
                    .reset_index())

# retirando a marcação (UF) do nome do estado.
emendas_estaduais["local_gasto"] = emendas_estaduais["local_gasto"].apply(lambda x: x.replace(" (UF)", ""))

# renomeando a coluna local_gasto
emendas_estaduais.rename(columns={'local_gasto':'Estado'}, inplace=True)

# formatando o valor
emendas_estaduais["Valor"] = emendas_estaduais["vlr"].apply(lambda x: format_currency(x, currency="BRL", locale="pt_BR"))

emendas_estaduais[['Estado','Políticos','Emendas','Valor']]

	Estado	Políticos	Emendas	Valor
0	ACRE	19	59	R$ 270.668.887,72
1	ALAGOAS	16	27	R$ 288.547.617,91
2	AMAPÁ	18	45	R$ 350.701.642,85
3	AMAZONAS	12	34	R$ 242.881.420,64
4	BAHIA	52	148	R$ 1.075.305.291,73
5	CEARÁ	28	61	R$ 476.996.674,15
6	DISTRITO FEDERAL	4	5	R$ 28.724.356,38
7	ESPÍRITO SANTO	17	33	R$ 208.546.895,42
8	GOIÁS	28	63	R$ 449.253.444,39
9	MARANHÃO	32	73	R$ 642.742.781,03
10	MATO GROSSO	15	26	R$ 250.405.540,72
11	MATO GROSSO DO SUL	15	46	R$ 274.989.432,62
12	MINAS GERAIS	69	179	R$ 1.280.384.685,02
13	PARANÁ	41	110	R$ 765.282.505,91
14	PARAÍBA	20	71	R$ 441.416.282,17
15	PARÁ	28	73	R$ 529.455.591,48
16	PERNAMBUCO	38	81	R$ 621.529.087,67
17	PIAUÍ	20	47	R$ 460.788.039,12
18	RIO DE JANEIRO	44	82	R$ 274.456.608,74
19	RIO GRANDE DO NORTE	16	46	R$ 325.306.366,19
20	RIO GRANDE DO SUL	41	92	R$ 864.090.040,19
21	RONDÔNIA	17	31	R$ 378.531.271,66
22	RORAIMA	16	42	R$ 299.764.800,42
23	SANTA CATARINA	26	51	R$ 443.845.664,20
24	SERGIPE	17	42	R$ 356.215.023,04
25	SÃO PAULO	79	172	R$ 1.120.947.911,35
26	TOCANTINS	18	33	R$ 321.699.311,86

Vamos criar um treemap para ver melhor os dados.

# apresentar os valores no formato 1K, 1M, 1B
def f(row):
    if row['vlr'] >= 10**9:
        val = row['vlr']/10**9
        val = '{0:.2f}B'.format(val)
    elif row['vlr'] >= 10**6 and row['vlr'] < 10**9:
        val = row['vlr']/10**6
        val = '{0:.2f}M'.format(val)
    elif row['vlr'] >= 10**3 and row['vlr'] < 10**6:
        val = row['vlr']/10**3
        val = '{0:.2f}K'.format(val)
    else:
        val = '{0:.2f}'.format(row['vlr'])
    return val

emendas_estaduais['vlr_prty'] = emendas_estaduais.apply(f, axis=1)

# treemap com os valores por estado
fig1 = px.treemap(emendas_estaduais, path=[px.Constant("Brasil"), "Estado"], values="vlr", color="vlr", color_continuous_scale='viridis')
fig1.update_traces(
text=emendas_estaduais['vlr_prty'],
textinfo="label+text+percent root", root_color="lightgrey", selector=dict(type='treemap')
, name="asdasdasd", opacity=0.75
)
fig1.show()

Emendas Ceará

• quais políticos enviaram emendas

# Dados do estado do ceará e das cidades do ceará
def separar_dados_ce(df):
    # emenda direto pro estado do Ceará
    df_estado = df.loc[df['local_gasto']=='CEARÁ (UF)']

    # emendas para as cidade tem a marcação "- CE"
    df_cidades = df.loc[df['local_gasto'].str.contains('- CE')]

    # limpando o nome das cidades, retirando a marcação "- CE"
    # df_cidades['local_gasto'] = df_cidades["local_gasto"].apply(lambda x: x.replace(" - CE", ""))
    
    # df_ce = pd.concat([df_estados, df_cidades], axis=0)
    # df_ce = df_ce[['emenda_autor', 'local_gasto','vlr','vlr_empenhado','vlr_liquido','vlr_pago','vlr_restos_pagar_inscrito','vlr_restos_pagar_cancelados','vlr_restos_pagar_pagos']]
    # df_ce = pd.DataFrame(df_ce).sort_values(by=['vlr'], ascending=False)
    # return df_ce
    return df_estado.reset_index(drop=True), df_cidades.reset_index(drop=True)

df_ce, df_cidades = separar_dados_ce(df)
# df_cidades.head()

# limpando o nome das cidades
df_cidades['local_gasto'] = df_cidades["local_gasto"].apply(lambda x: x.replace(" - CE", ""))
df_cidades.head()

	emenda_autor	local_gasto	vlr
0	ROBERIO MONTEIRO	MORADA NOVA	100000.0
1	CID GOMES	COREAÚ	250000.0
2	CID GOMES	ALCÂNTARAS	250000.0
3	ROBERIO MONTEIRO	BELA CRUZ	400000.0
4	PEDRO AUGUSTO BEZERRA	PARACURU	500000.0

Cidades Recebedoras

Cidades que receberam emendas. Filtrando apenas cidades que já receberam.

def cidades_emendas(df_ce):
    locais = sorted(df_ce['local_gasto'].unique())
    locais = pd.DataFrame({'cidade':locais})
    return locais


def espalhar_cidades(series):
    # Create a pandas Series
    # Number of columns
    n = 5

    # Calculate the number of rows needed
    num_rows = int(np.ceil(len(series) / n))

    # Pad the Series with NaN values if necessary
    padded_series = np.pad(series, (0, num_rows * n - len(series)), constant_values='')

    # Reshape the Series and convert it to a DataFrame
    reshaped_array = padded_series.reshape(num_rows, n)
    return pd.DataFrame(reshaped_array)


locais = cidades_emendas(df_cidades)

#limpando o nome das cidades
# locais['cidade'] = locais["cidade"].apply(lambda x: x.replace(" - CE", ""))
locais


# quero espalhar esta lista num dataframe para visualizar melhor
df_locais = espalhar_cidades(locais['cidade'])
df_locais

	0	1	2	3	4
0	ACARAÚ	ALCÂNTARAS	ALTANEIRA	AMONTADA	AQUIRAZ
1	ARATUBA	ASSARÉ	BELA CRUZ	BOA VIAGEM	CARIRIAÇU
2	CARIRÉ	CHAVAL	CHOROZINHO	CHORÓ	COREAÚ
3	CRUZ	FORTIM	FRECHEIRINHA	GRANJA	IBIAPINA
4	IBICUITINGA	ICÓ	IPU	IRACEMA	ITAPIPOCA
5	ITAREMA	JAGUARIBARA	JAGUARIBE	MARANGUAPE	MILHÃ
6	MONSENHOR TABOSA	MORADA NOVA	MORAÚJO	MUCAMBO	NOVA RUSSAS
7	NOVO ORIENTE	PARACURU	PARAIPABA	PARAMBU	PEDRA BRANCA
8	PENTECOSTE	PIRES FERREIRA	QUITERIANÓPOLIS	RERIUTABA	RUSSAS
9	SENADOR POMPEU	SÃO BENEDITO	TAMBORIL	URUOCA

Cidade e valor recebido

Quanto cada cidade recebeu e de quantos políticos diferentes.

def f(row):
    if row['vlr'] >= 10**9:
        val = row['vlr']/10**9
        val = '{0:.2f}B'.format(val)
    elif row['vlr'] >= 10**6 and row['vlr'] < 10**9:
        val = row['vlr']/10**6
        val = '{0:.2f}M'.format(val)
    elif row['vlr'] >= 10**3 and row['vlr'] < 10**6:
        val = row['vlr']/10**3
        val = '{0:.2f}K'.format(val)
    else:
        val = '{0:.2f}'.format(row['vlr'])
    return val


cidades_emendas_df = (df_cidades.groupby('local_gasto', as_index=False).agg({'emenda_autor':pd.Series.nunique, 'vlr': 'sum'})
                    .reset_index(drop=True))
# )


cidades_emendas_df.rename(columns={'local_gasto':'Cidade', 'emenda_autor':'Políticos'}, inplace=True)
# cidades_emendas_df['local_gasto'] = cidades_emendas_df["local_gasto"].apply(lambda x: x.replace(" - CE", ""))
# cidades_emendas_df = cidades_emendas_df.sort_values(by='vlr', ascending=False)
# cidades_emendas_df.info()
# cidades_emendas_df


cidades_emendas_df["Valor (R$)"] = cidades_emendas_df["vlr"].apply(lambda x: format_currency(x, currency="BRL", locale="pt_BR"))
cidades_emendas_df['vlr_prty'] = cidades_emendas_df.apply(f, axis=1)
# cidades_emendas_df#.head()#[['Cidade','Políticos','Valor']]
cidades_emendas_df.head()

	Cidade	Políticos	vlr	Valor (R$)	vlr_prty
0	ACARAÚ	1	2724347.87	R$ 2.724.347,87	2.72M
1	ALCÂNTARAS	1	250000.00	R$ 250.000,00	250.00K
2	ALTANEIRA	1	1000012.00	R$ 1.000.012,00	1.00M
3	AMONTADA	1	1000000.00	R$ 1.000.000,00	1.00M
4	AQUIRAZ	2	4672458.52	R$ 4.672.458,52	4.67M

Criando um treemap para ver melhor.

# fig1 = px.treemap(cidades_emendas_df, path=["Cidade"], values="vlr",color="vlr",color_continuous_scale='viridis')
# fig1.update_traces(
#     #textinfo="label+value"
#     texttemplate='%{label} <br> %{value: text} <br> %{percentRoot}'
#     ,selector=dict(type='treemap')
# )
# fig1.show()




# emendas_estaduais[['Estado','Políticos','Emendas','vlr_prty', 'Valor']]
# cidades_emendas_df.head()

fig2 = px.treemap(cidades_emendas_df, path=[px.Constant("Cidades do Ceará"),"Cidade"], values="vlr", color="vlr", color_continuous_scale='viridis')
fig2.update_traces(
    text=cidades_emendas_df['vlr_prty'],
    textinfo="label+text", 
    selector=dict(type='treemap'), 
    opacity=0.75
)
fig2.show()

Outliers

Dados no formato de boxplot. Não agregado para poder verificar outliers.

fig = px.box(df_cidades, x="vlr")
fig.show()

Verificando os outliers. Identificando os outliers.

def identificar_limites(serie_coluna):
    # Calcular os quartis Q1 e Q3
    Q1 = serie_coluna.quantile(0.25)
    Q3 = serie_coluna.quantile(0.75)

    # Calcular o IQR
    IQR = Q3 - Q1

    # Definir os limites inferior e superior
    limite_inferior = Q1 - 1.5 * IQR
    limite_superior = Q3 + 1.5 * IQR
    return limite_inferior, limite_superior

def get_outliers(df,coluna):
    limite_inferior,limite_superior = identificar_limites(df[coluna])
    outliers = df[(df[coluna] < limite_inferior) | (df[coluna] > limite_superior)]
    return outliers.sort_values(by='vlr', ascending=False)
    # return outliers


def get_noutliers(df,coluna):
    limite_inferior,limite_superior = identificar_limites(df[coluna])
    outliers = df[~((df[coluna] < limite_inferior) | (df[coluna] > limite_superior))]
    return outliers.sort_values(by='vlr', ascending=False)
    # return outliers


# Identificar outliers
outliers = get_outliers(df_cidades,'vlr')

outliers = outliers[['emenda_autor','local_gasto','vlr']]
outliers = outliers.rename(columns={'emenda_autor':'Político','local_gasto':'Cidade'})

outliers["Valor"] = outliers["vlr"].apply(lambda x: format_currency(x, currency="BRL", locale="pt_BR"))
outliers[['Político','Cidade','Valor']]

	Político	Cidade	Valor
75	MOSES RODRIGUES	CRUZ	R$ 10.000.000,00
74	HEITOR FREIRE	GRANJA	R$ 7.331.441,00
73	YURY DO PAREDAO	QUITERIANÓPOLIS	R$ 7.000.000,00
72	PEDRO AUGUSTO BEZERRA	NOVO ORIENTE	R$ 6.000.000,00
71	GENECIAS NORONHA	PARAMBU	R$ 5.819.682,00
70	DR. JAZIEL	NOVO ORIENTE	R$ 5.702.232,00

# nao outliers
noutliers = get_noutliers(df_cidades,'vlr')
noutliers.head()

	emenda_autor	local_gasto	vlr
68	JOSE AIRTON FELIX CIRILO	NOVO ORIENTE	5000000.0
67	DENIS BEZERRA	IPU	4947710.0
65	DR. JAZIEL	BOA VIAGEM	4887627.0
66	VAIDON OLIVEIRA	IPU	4887627.0
64	VAIDON OLIVEIRA	PENTECOSTE	4073023.0

Políticos

• politicos que enviaram

• políticos enviaram para quantas cidades diferentes

• valor enviado por cada político

politicos_df = (
    df_cidades
    .groupby(['emenda_autor'], as_index=False)
    .agg({'local_gasto':pd.Series.nunique, 'vlr': 'sum'})
)


# politicos_df = politicos_df.sort_values(by='vlr', ascending=False)
politicos_df.rename(columns={'emenda_autor':'Autor', 'local_gasto':'Cidades Recebedoras','vlr':'Valor'}, inplace=True)



politicos_df.style \
.set_caption("Emendas por Político") \
.format(precision=2, thousands=".", decimal=",") \
.background_gradient(subset=["Valor"],cmap="viridis") \
.highlight_max(subset=["Cidades Recebedoras"], color='yellow', axis=0, props=None)

Emendas por Político

	Autor	Cidades Recebedoras	Valor
0	ANDRE FERNANDES	4	6.847.138,50
1	CAPITAO WAGNER	1	1.714.511,00
2	CID GOMES	5	3.589.365,00
3	DENIS BEZERRA	2	8.447.710,00
4	DR. JAZIEL	6	17.205.289,20
5	GENECIAS NORONHA	4	8.819.682,00
6	HEITOR FREIRE	2	10.997.161,00
7	JOSE AIRTON FELIX CIRILO	1	11.258.418,00
8	JULIO VENTURA	4	5.475.000,00
9	MAURO BENEVIDES FILHO	5	4.300.060,00
10	MOSES RODRIGUES	2	10.461.857,04
11	PEDRO AUGUSTO BEZERRA	8	14.905.652,00
12	ROBERIO MONTEIRO	13	18.924.347,87
13	RONALDO MARTINS	1	977.525,00
14	VAIDON OLIVEIRA	5	15.640.406,00
15	VINICIUS GURGEL	1	2.672.458,52
16	YURY DO PAREDAO	3	10.804.665,87

variaval1 = 10
variavel2 = 20

Primeiro valor e segundo valor